Belum login.Ambil otomatis 3 file master dari Google Drive (Rekap_Transaksi_Master, Rekap_Poin_Master, Rekap_Pengeluaran_Master).
atau upload manual
💾 Dashboard yang sudah di-generate otomatis tersimpan di perangkat ini (browser), jadi tidak hilang kalau halaman ter-refresh tidak sengaja. Kalau mau input data baru (file lain/bulan lain), klik "🔄 Mulai dari Awal" di atas dulu baru upload file baru.
File rekap biaya operasional dengan sheet Data Utama (kolom Nama_Item_Biaya, Akun_Biaya, Status, Nominal_Biaya(Rp), Bulan, dst). Mengaktifkan modul 💰 Keuangan.
📂
Klik atau drop di sini
File Rekap (Opsional)
RekaPoin_Mitrawash_xxxx.xlsx
File hasil export dari Aplikasi Poin Mitrawash, sheet Rekap Poin Pelanggan (No, Nama Pelanggan, Saldo Poin, dst). Mengaktifkan modul 🎯 Poin Loyalitas.
💡 Setelah klik Generate, dashboard akan terbuka otomatis. Tab 📂 Upload bisa dipakai lagi kapan saja untuk mengganti file. Modul 👥 Customer aktif otomatis dari Rekap_Transaksi_Master. Modul 💰 Keuangan butuh Rekap_Pengeluaran_Master.xlsx, dan modul 🎯 Poin Loyalitas butuh RekaPoin_Mitrawash_xxxx.xlsx — keduanya boleh diupload belakangan.
📊
Dashboard Belum Ada Data
Upload file Rekap_Transaksi_Master.xlsx di halaman awal terlebih dulu. Dashboard akan otomatis terisi setelah data diproses.
Batang = Transaksi · Garis = Omzet. Hijau = growth phase, Merah = decline phase.
MoM Growth — Transaksi
Perubahan persentase bulan ke bulan
Average Transaction Value (ATV)
Nilai rata-rata per transaksi
Detail Bulanan
Bulan
Transaksi
MoM Tx
Omzet
MoM Omzet
ATV
03Distribusi Transaksi per Hari
Transaksi per Hari dalam Seminggu
Hari tersibuk vs paling sepi (data kumulatif)
Distribusi Nilai Transaksi
Segmentasi berdasarkan tier nilai transaksi
04Proyeksi 3 Bulan ke Depan
🔮 Proyeksi Tren "Business As Usual"
05Rekomendasi Strategis
06Berat Cucian — Operasional Toko
Total Berat Cucian per Bulan (kg)
Dihitung hanya dari transaksi yang punya data berat tercatat.
Rata-rata Kg vs Rp per Transaksi
Bar = rata-rata berat (kg) per transaksi · Garis = rata-rata nilai transaksi (Rp). Kalau bar turun tapi garis relatif datar, pelanggan bawa cucian lebih sedikit tapi nilai transaksi tidak ikut turun (bukan berarti pelanggan makin hemat).
07Insight Load Utama
Load Utama per Bulan
Total load layanan utama (di luar add-on seperti Titip Saja/Tambah Kering)
Komposisi Layanan dari Load Utama
Layanan mana yang paling banyak menyumbang load utama
📅
Detail Bulanan Belum Tersedia
Upload file Rekap_Transaksi_Master.xlsx di tab 📂 Upload terlebih dulu. Kemudian pilih bulan yang ingin dianalisis.
Pilih Bulan
📖 Istilah di halaman ini:
• Transaksi = 1 nota/struk yang dibuat untuk 1 pelanggan pada satu waktu.
• Load = 1 siklus cuci/kering untuk 1 jenis layanan. 1 transaksi bisa berisi lebih dari 1 load — misalnya pelanggan mencuci 2 load Cuci Kering Sendiri (CKS) sekaligus, atau menggabungkan beberapa layanan (kombinasi) dalam satu nota. Karena itu jumlah Load bisa lebih besar dari jumlah Transaksi (lihat bagian 05 di bawah).
• ATV (Average Transaction Value) = rata-rata nilai Rupiah per transaksi/nota.
• MoM (Month over Month) = persentase perubahan dibanding bulan sebelumnya.
• Self Service = pelanggan mengerjakan cuci/kering sendiri (contoh: CKS, Cuci Saja, Kering Saja). Drop Off = laundry dikerjakan oleh staf (contoh: CKL, TCB).
• Member (kode berawalan huruf "M", misal MCKS) = pelanggan yang sudah top-up/deposit saldo, biasanya harga per load lebih hemat.
01Aktivitas Harian
Transaksi & Omzet per Hari
Batang = Transaksi · Garis = Omzet. Hijau = hari terbaik.
Distribusi Hari dalam Seminggu
Akumulasi transaksi per hari (bulan ini)
ATV Harian
Nilai rata-rata transaksi tiap hari aktif
Tabel Detail Harian
Tgl
Hari
Tx
vs Kemarin
Omzet
ATV
vs Avg
02Ringkasan Mingguan
Perbandingan Mingguan — Transaksi & Omzet
Minggu 1–5 dalam bulan terpilih
03Heatmap Intensitas Harian
Volume Transaksi — Kalender View
Warna = intensitas transaksi. Hover untuk detail.
04Breakdown per Layanan
Komposisi Layanan (Transaksi)
Porsi tiap layanan dalam bulan ini
Omzet per Layanan
Kontribusi omzet tiap layanan
05Detail Load per Jenis Layanan
Kenapa jumlah Load ≠ jumlah Transaksi? 1 Load = 1 siklus cuci/kering untuk 1 jenis layanan. Satu transaksi/nota bisa berisi lebih dari 1 load — misalnya 2 load Cuci Kering Sendiri (CKS) sekaligus, atau kombinasi beberapa layanan dalam satu nota. Data ini diambil dari rincian item per nota (sheet Detail_Item), bukan dari jumlah nota.
Jumlah Load per Jenis Layanan
Diurutkan dari load terbanyak. Singkatan layanan dijelaskan lengkap di kolom kedua.
Singkatan
Nama Lengkap Layanan
Jumlah Load
% dari Total
06Distribusi Nilai Transaksi
Tier Nilai Transaksi
Segmentasi berdasarkan nilai per nota
👥
Customer Belum Tersedia
Upload file Rekap_Transaksi_Master.xlsx di tab 📂 Upload dan klik Generate Dashboard.
01Ringkasan Pelanggan
02Top 10 Pelanggan Tersering
Pelanggan dengan Transaksi Terbanyak
Diurutkan berdasarkan jumlah transaksi sepanjang periode data
03Pertumbuhan Pelanggan Baru per Bulan
Pelanggan Baru per Bulan
Pelanggan baru = nama pelanggan yang pertama kali muncul di bulan tersebut
04Retensi & Churn
05Berat Cucian per Pelanggan
10 Pelanggan dengan Berat Cucian Terbanyak
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Pelanggan
Total Berat (kg)
Jml Transaksi Tertimbang
Rata² kg/Transaksi
Pelanggan
Total Berat (kg)
Jml Transaksi Tertimbang
Rata² kg/Transaksi
06Load per Pelanggan
10 Pelanggan dengan Load Terbanyak
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Apa itu "Load"? 1 Load = 1 siklus cuci/kering untuk 1 jenis layanan. 1 transaksi/nota bisa berisi lebih dari 1 load, jadi Total Load bisa lebih besar dari Jumlah Transaksi pelanggan tersebut.
Pelanggan
Total Load
Jml Transaksi
Rata² Load/Transaksi
Pelanggan
Total Load
Jml Transaksi
Rata² Load/Transaksi
07Recency & Interval Kunjungan Pelanggan
Section ini menjawab: "pelanggan mana yang mulai jarang datang, padahal biasanya rutin?" — dihitung per pelanggan dengan membandingkan Hari Sejak Terakhir (sejak transaksi terakhirnya sampai hari ini) terhadap Median Interval-nya (jarak hari yang biasa ia lakukan antar kunjungan). Kalau selisihnya sudah jauh, itu sinyal dini churn — lebih cepat ketahuan dibanding menunggu laporan Retensi & Churn bulanan di atas. Dihitung live setiap kali dashboard dibuka, bukan snapshot statis. Klik "Lihat Semua Pelanggan" untuk mengurutkan berdasarkan status (Cold/Warm/Fresh), jumlah transaksi, atau menyaring pelanggan per rentang "belum kembali" (10–19, 20–29, 30–59, 60–119, 120–179, ≥180 hari) — jumlah pelanggan di tiap rentang langsung tampil di tombolnya, jadi Kakak bisa lihat mana kelompok yang paling layak di-follow-up duluan (biasanya rentang lebih pendek = masih layak dihubungi, rentang sangat panjang = kemungkinan sudah churn permanen).
Pelanggan Paling "Telat Kembali"
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Cara baca: Fresh = kembali ≤14 hari sejak transaksi terakhir · Warm = 15–30 hari · Cold = >30 hari (dihitung live terhadap hari ini, bukan snapshot). Median Interval = jarak hari yang biasa dilakukan pelanggan tsb antar kunjungan — kalau "Hari Sejak Terakhir" sudah jauh melebihi Median Interval-nya, itu tanda dia mulai jarang.
Pelanggan
Terakhir Transaksi
Hari Sejak Terakhir
Median Interval
Status
Urutkan
Belum Kembali — Rentang Hari (untuk prioritas follow-up)
Pelanggan
Terakhir Transaksi
Hari Sejak Terakhir
Median Interval
Status
08Tren Pergeseran Jenis Layanan per Pelanggan
Section ini menjawab: "pelanggan mana yang pola cucinya berubah — makin sering titip ke staf, atau makin sering cuci sendiri?" Berguna untuk memantau beban operasional (semakin banyak yang bergeser ke Drop-Off, semakin besar beban Dewi/Eko/Zainal) dan mendeteksi pelanggan yang mulai berhenti self-service (potensi butuh pendekatan berbeda). Klik "Lihat Semua Pelanggan" untuk mengurutkan berdasarkan besar perubahan, %SS awal/terkini, jumlah transaksi, atau pola.
Pelanggan dengan Pergeseran Pola Layanan Terbesar
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Cara baca: Riwayat transaksi Self Service/Drop Off tiap pelanggan (min. 6 transaksi, add-on dikecualikan) dibagi 2 — paruh awal vs paruh terkini — lalu dibandingkan %Self Service-nya. "Bergeser ke Drop-Off" berarti pelanggan makin sering titip ke staf (beban operasional naik); "Bergeser ke Self-Service" sebaliknya. Kolom Perubahan pakai satuan pp (poin persentase) — selisih langsung antara %SS Terkini dan %SS Awal (mis. 50% → 100% = +50pp), bukan persen kenaikan relatif.
Pelanggan
%SS Awal
%SS Terkini
Perubahan (pp)
Pola
Urutkan
Pelanggan
%SS Awal
%SS Terkini
Perubahan (pp)
Pola
09Tren Rata-rata Nilai Transaksi (Avg Ticket) per Pelanggan
Section ini menjawab: "pelanggan mana yang belanjanya mulai menyusut, padahal masih rutin datang?" Frekuensi kunjungan stabil bisa menutupi penurunan omzet per transaksi — section ini menangkap sinyal itu lebih awal, sebelum kelihatan di laporan Retensi & Churn atau bahkan sebelum pelanggan itu masuk status Warm/Cold di section Recency. Klik "Lihat Semua Pelanggan" untuk mengurutkan berdasarkan penurunan/kenaikan terbesar, jumlah transaksi, atau label tren.
Pelanggan dengan Penurunan Ticket Terbesar
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Cara baca: Riwayat transaksi tiap pelanggan (min. 6 transaksi) dibagi 2 — paruh awal vs paruh terkini — lalu dibandingkan rata-rata nilai transaksinya (Total_Tagihan/transaksi). Perubahan ≥20% dianggap "Naik"/"Turun" signifikan; di bawah itu "Stabil". Preview di bawah difokuskan ke penurunan terbesar karena itu sinyal risiko yang paling perlu ditindaklanjuti.
Pelanggan
Avg Awal
Avg Terkini
Perubahan
Tren
Urutkan
Pelanggan
Avg Awal
Avg Terkini
Perubahan
Tren
10Tag Segmentasi Perilaku Pelanggan
Section ini menjawab: "pelanggan ini tipe yang seperti apa?" Tiap pelanggan (min. 5 transaksi) diberi 1 tag perilaku dominan, dicek berurutan dari atas: Weekend Ekstrem (≥70% kunjungan jatuh Sabtu/Minggu) → Condong Weekend (>50%) → Frekuensi Tinggi (median interval kunjungan ≤2 hari) → Anomali Tinggi (≥20% transaksi kena flag beban anomali) → Ticket Besar (rata-rata belanja/transaksi ≥Rp70rb) → sisanya Pola Stabil. Tag ini siap dipakai untuk segmentasi WhatsApp blast/promo tertarget.
Catatan cakupan: tag "Rutinitas Pagi/Siang/Sore/Malam" (jam favorit datang) belum digabung ke tag ini — datanya sudah tersedia (lihat section 12 di bawah), tinggal bilang kalau mau ditambahkan.
Distribusi Tag
Dari seluruh pelanggan yang dianalisis (min. 5 transaksi).
10 Pelanggan Omzet Tertinggi + Tag-nya
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Pelanggan
Tag
Total Belanja
Transaksi
% Weekend
Urutkan
Filter Tag
Pelanggan
Tag
Total Belanja
Transaksi
% Weekend
11Konsentrasi Omzet Top-20 Pelanggan
Section ini menjawab: "seberapa besar bisnis ini bergantung ke segelintir pelanggan?" 20 pelanggan dengan omzet tertinggi dibandingkan terhadap omzet keseluruhan toko. Ini statistik snapshot yang bagus untuk keputusan strategis (mis. prioritas program loyalty/retensi ke grup ini) — cek ulang berkala, bukan untuk dipantau harian seperti section Recency di atas.
Daftar Top 20 Pelanggan by Omzet
#
Pelanggan
Omzet
Transaksi
% Omzet
Kumulatif
12Sebaran Hari & Jam Kunjungan per Pelanggan
Section ini menjawab: "pelanggan ini biasanya datang hari & jam apa?" — berguna untuk menyesuaikan kapasitas mesin/staff per jam-hari, dan follow-up personal (tahu kapan biasanya dia balik). Min. 5 transaksi bertanggal valid.
Pelanggan dengan Pola Hari Paling Konsisten
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Pelanggan
Hari Favorit
Jam Favorit
Transaksi
Urutkan
Pelanggan
Hari Favorit
Jam Favorit
Transaksi
13Rasio Anomali Beban & Transaksi Estimasi per Pelanggan
Section ini menjawab: "pelanggan mana yang paling sering beban cuciannya di luar standar?" — dari kolom Anomali_Flag (bernilai "ANOMALI" saat berat cucian melebihi standar load, mis. 1 load dibayar tapi beratnya cukup 2 load) dan Estimasi_Flag (berat cucian tidak ditimbang pasti, dicatat estimasi) yang sudah ada langsung di sheet Transaksi. Berguna utk quality-check operasional (mis. training kasir soal load) dan deteksi pelanggan "beban besar" yang mungkin perlu pricing/paket beda.
Nilai Anomali_Flag lain seperti "TYPO" & "KOREKSI" (kesalahan input/koreksi data administratif) sengaja tidak dihitung sebagai anomali beban di sini — cuma nilai "ANOMALI" yang dihitung.
Pelanggan dengan Rasio Anomali Tertinggi
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Pelanggan
Anomali
% Anomali
Estimasi
% Estimasi
Transaksi
Urutkan
Pelanggan
Anomali
% Anomali
Estimasi
% Estimasi
Transaksi
14Tren Mingguan
Section ini menjawab: "bagaimana performa bisnis minggu demi minggu?" — granularitas lebih halus dari Detail Bulanan, berguna untuk mendeteksi pergerakan jangka pendek (mis. dampak promo mingguan, cuaca, libur) yang bisa "tenggelam" kalau cuma dilihat per bulan. Minggu dihitung mulai hari Senin. Ini agregat bisnis (bukan per-pelanggan), jadi tidak ada fitur cari nama di sini.
Omzet per Minggu
Total Total_Tagihan, dikelompokkan per minggu (Senin–Minggu)
Cara baca: Kolom WoW (week-over-week) = perubahan omzet dibanding minggu sebelumnya. Minggu paling baru/berjalan kemungkinan datanya belum lengkap (belum sampai hari Minggu) — jangan langsung dibandingkan mentah-mentah dengan minggu penuh sebelumnya.
12 minggu terakhir, terbaru di atas.
Minggu Mulai
Transaksi
Pelanggan Unik
Omzet
WoW
15Cohort Retention — Pelanggan Baru per Bulan
Section ini menjawab: "pelanggan yang baru gabung bulan X, seberapa besar yang masih balik di bulan-bulan berikutnya?" Beda dari section 03 (jumlah pelanggan baru per bulan) dan section 04 (retensi/churn semua pelanggan digabung): di sini tiap cohort (kelompok pelanggan berdasarkan bulan transaksi pertamanya) dilacak terpisah, sehingga kelihatan apakah kualitas pelanggan baru membaik atau memburuk seiring waktu — mis. "cohort Maret 2026 lebih awet dari cohort Januari 2026". M0 = bulan cohort itu sendiri (selalu 100%, titik acuan), M1 = 1 bulan setelahnya, M2 = 2 bulan setelahnya, dst. Sel kosong (—) berarti belum cukup waktu berlalu untuk cohort tsb, bukan retensi 0%.
Tabel Retensi per Cohort
Cara baca: Warna makin hijau = retensi makin tinggi, makin merah = makin rendah. Angka besar = persentase pelanggan cohort tsb yang masih bertransaksi di bulan itu; angka kecil di bawahnya (n=...) = jumlah pelanggan aktualnya.
16Skor Risiko Churn Gabungan
Section ini menjawab: "dari semua sinyal yang sudah dihitung di atas, siapa yang paling layak di-follow-up duluan?" Section 07 (Recency), 09 (Tren Avg Ticket), dan 08 (Pergeseran Layanan) masing-masing berdiri sendiri — pelanggan bisa "Fresh" di Recency tapi belanjanya sedang menyusut, atau sebaliknya. Section ini menggabungkan ketiganya jadi 1 skor 0–100 per pelanggan supaya Kakak tidak perlu buka 3 tabel terpisah dan bandingkan manual satu-satu.
Pelanggan Skor Risiko Tertinggi
Pratinjau saja. Klik tombol di bawah untuk lihat semua pelanggan.
Cara hitung: Skor = rata-rata tertimbang dari 3 komponen (dihitung ulang proporsional kalau ada komponen yang datanya belum cukup): Recency 50% (Cold=100, Warm=55, Fresh=10 — komponen wajib, basis populasinya), Tren Avg Ticket 30% (Turun=sebesar %penurunan, Stabil=15, Naik=0 — butuh min. 6 transaksi), Pergeseran Layanan 20% (Bergeser ke Drop-Off=sebesar %pergeserannya, Campuran=15, Konsisten/Bergeser ke SS=rendah — butuh min. 6 transaksi SS/DO). Tier: Prioritas Tinggi (≥65) · Perlu Dipantau (35–64) · Aman (<35). Kalau kolom Tren Ticket/Pergeseran Layanan tampil "—", berarti pelanggan itu belum punya cukup riwayat transaksi untuk komponen tsb — skornya tetap dihitung dari komponen yang tersedia.
Pelanggan
Skor
Tier
Hari Sejak Terakhir
Tren Ticket
Pergeseran Layanan
Urutkan
Tier
Pelanggan
Skor
Tier
Hari Sejak Terakhir
Tren Ticket
Pergeseran Layanan
💰
Modul Keuangan Belum Aktif
Upload Rekap_Pengeluaran_Master.xlsx di tab 📂 Upload untuk mengaktifkan modul ini.
01Ringkasan Keuangan
02Komposisi Biaya
Biaya per Akun Biaya
Dikelompokkan per kategori Akun Biaya (status Disetujui saja)
03Rincian Biaya
10 Biaya Terbesar
Pratinjau saja. Klik tombol di bawah untuk lihat semua data.
Tanggal
Nama Item
Akun Biaya
Keterangan
Nominal
Tanggal
Nama Item
Akun Biaya
Keterangan
Nominal ⇕
04Tren Bulanan Biaya
Total Biaya per Bulan
Total biaya disetujui per bulan
Pendapatan vs Biaya per Bulan
Perbandingan omzet (Rekap_Transaksi_Master) dan biaya (Rekap_Pengeluaran) tiap bulan
05Pemakaian Gas LPG
Tabung Gas Dibeli per Bulan
Dihitung dari biaya "LPG Pengering" yang disetujui, dikonversi ke jumlah tabung.
06Rekonsiliasi vs Smartlink
A. Pendapatan
Smartlink (Laporan Laba Rugi) vs Internal (Rekap_Transaksi_Master)
Komponen
Smartlink
Internal
Selisih
B. Biaya per Akun
Smartlink (Laporan Laba Rugi) vs Internal (Rekap_Pengeluaran_Master, status Disetujui)
Akun Biaya
Smartlink
Internal
Selisih
Catatan Akar Masalah
🎯
Modul Poin Loyalitas Belum Aktif
Upload RekaPoin_Mitrawash_xxxx.xlsx di tab 📂 Upload untuk mengaktifkan modul ini.
01Ringkasan Poin Loyalitas
02Perjalanan Poin Pelanggan
Funnel Menuju Cuci Gratis
Tahapan pelanggan berdasarkan sisa cucian menuju reward berikutnya. Tap grup untuk lihat daftar pelanggan di bawah.
03Daftar Pelanggan per Grup
04Riwayat Reward Terklaim
Redemption — Cuci Gratis yang Sudah Dipakai
Riwayat klaim reward pada periode rekap berjalan.
Tanggal
Pelanggan
Layanan
Nilai Diskon
05% Diskon Terhadap Omzet
% Diskon per Bulan
Persentase nilai reward yang diklaim dibanding omzet bulan tersebut.
06Dampak Promo / Campaign Terhadap Pelanggan
Section ini menjawab: "promo/campaign yang saya jalankan beneran mendatangkan pelanggan lama yang sempat berhenti, atau tidak?" Isi tanggal mulai promo apa saja (tidak harus "Cuci 12x Gratis 1x") — dashboard akan membandingkan periode promo dengan periode sama panjang sebelum promo dimulai (baseline), supaya perbandingannya adil.
Cara baca "Reaktivasi": pelanggan yang bertransaksi lagi selama periode promo, padahal sebelumnya sudah absen lebih lama dari ambang di atas. Bukan pelanggan baru (belum pernah transaksi sama sekali sebelum periode) dan bukan pelanggan reguler (baru absen sebentar, di bawah ambang) — supaya tidak salah klaim "promo mendatangkan pelanggan lama" padahal yang datang mayoritas pelanggan baru/reguler.
Data transaksi master belum tersedia — upload file di tab 📂 Upload dan klik Generate Dashboard dulu.
Transaksi per Minggu
Biru = periode baseline, kuning = periode promo.
Pelanggan yang "Bangkit Lagi" Selama Promo
Pelanggan
Absen Sebelumnya
Transaksi Terakhir Sebelum
Tanggal Kembali
Omzet Selama Promo
07Cross-check: Poin Loyalitas vs Recency Pelanggan
Section ini menjawab: "apakah pelanggan dengan saldo poin tinggi memang lebih rajin balik, atau ternyata poin tinggi tidak menjamin kesetiaan?" Menggabungkan Saldo Poin (modul ini) dengan Hari Sejak Terakhir & status Recency (tab 👥 Customer, section 07) berdasarkan nama pelanggan yang cocok di kedua sumber data — 2 file yang berbeda, jadi tidak semua nama pasti ketemu pasangannya (mis. beda ejaan/singkatan).
Data Recency belum tersedia — buka tab 👥 Customer minimal sekali dulu (dan pastikan file master transaksi sudah diupload) supaya cross-check ini bisa dihitung.
Perbandingan per Tingkat Saldo Poin
Cara baca: Pelanggan yang match dibagi 3 kelompok rata jumlah (tercile) berdasarkan Saldo Poin — Tinggi/Sedang/Rendah. Kalau kelompok "Tinggi" rata-rata Hari Sejak Terakhir-nya jauh lebih kecil (dan %Cold lebih rendah) dibanding "Rendah", itu tanda program poin memang berkorelasi dengan pelanggan yang lebih rajin kembali — bukan bukti sebab-akibat, tapi indikasi awal yang berguna.
Tingkat Saldo Poin
Jml Pelanggan
Rata² Saldo Poin
Rata² Hari Sejak Terakhir
%Cold
%Warm
%Fresh
Poin Tinggi Tapi Mulai Jarang
Pelanggan tercile Saldo Poin Tinggi tapi status Warm/Cold — anggota program yang mulai berisiko churn meski poinnya banyak.
